Hvordan Big Data har endret økonomi

Den enorme spredningen av data og økende teknologiske kompleksiteter fortsetter å transformere måten industrier driver og konkurrerer på. I løpet av de siste årene har 90 prosent av dataene i verden blitt opprettet som et resultat av at det ble laget 2, 5 kvintillion byte med data på daglig basis. Vanligvis omtalt som big data, skaper denne raske veksten og lagringen muligheter for innsamling, behandling og analyse av strukturerte og ustrukturerte data.

Etter 3 V-er av store data bruker organisasjoner data og analyser for å få verdifull innsikt for å informere om bedre forretningsavgjørelser. Industrier som har tatt i bruk bruken av big data inkluderer finansielle tjenester, teknologi, markedsføring og helsehjelp, for å nevne noen. Vedtakelsen av big data fortsetter å omdefinere det konkurrerende landskapet til næringer. Anslagsvis 89 prosent av foretakene tror de uten analysestrategi risikerer å miste et konkurransefortrinn i markedet.

Spesielt finansielle tjenester har vidt benyttet big data-analyse for å informere om bedre investeringsbeslutninger med jevn avkastning. I forbindelse med big data bruker algoritmisk handel store historiske data med komplekse matematiske modeller for å maksimere porteføljeavkastningen. Fortsatt bruk av big data vil uunngåelig forandre landskapet til finansielle tjenester. Sammen med dets tilsynelatende fordeler gjenstår imidlertid betydelige utfordringer med hensyn til big data's evne til å fange opp det monteringsvolumet av data.

3 V av Big Data

3 V er grunnleggende for store data: volum, variasjon og hastighet. For å øke konkurransen, regulatoriske begrensninger og kundebehov, søker finansinstitusjoner nye måter å utnytte teknologi for å oppnå effektivitet. Avhengig av bransje, kan selskaper bruke visse aspekter ved big data for å oppnå et konkurransefortrinn.

Hastighet er hastigheten som data må lagres og analyseres på. New York Stock Exchange fanger opp 1 terabyte med informasjon i løpet av hver dag. I 2016 var det anslagsvis 18, 9 milliarder nettverkstilkoblinger, med omtrent 2, 5 forbindelser per person på jorden. Finansinstitusjoner kan skille seg fra konkurransen ved å fokusere på effektiv og raskt prosessering av handler.

Big data kan kategoriseres som ustrukturerte eller strukturerte data. Ustrukturerte data er informasjon som er uorganisert og ikke faller inn i en forhåndsbestemt modell. Dette inkluderer data samlet fra sosiale mediekilder, som hjelper institusjoner med å samle informasjon om kundenes behov. Strukturerte data består av informasjon som allerede er administrert av organisasjonen i relasjonsdatabaser og regneark. Som et resultat må de forskjellige former for data administreres aktivt for å informere om bedre forretningsavgjørelser.

Det økende volumet av markedsdata utgjør en stor utfordring for finansinstitusjoner. Sammen med store historiske data, må bank- og kapitalmarkeder aktivt administrere ticker-data. På samme måte bruker investeringsbanker og kapitalforvaltningsselskaper omfangsrike data for å ta gode investeringsbeslutninger. Forsikrings- og pensjonsselskaper kan få tilgang til tidligere policy- og erstatningsinformasjon for aktiv risikostyring. (For mer, se: Quants: The Rocket Scientists Of Wall Street .)

Algoritmisk handel

Algoritmisk handel har blitt synonymt med big data på grunn av datamaskinens økende evne. Den automatiserte prosessen gjør det mulig for dataprogrammer å utføre økonomiske handler med hastigheter og frekvenser som en menneskelig næringsdrivende ikke kan. Innen de matematiske modellene gir algoritmisk handel handler utført til best mulig priser og rettidig handelsplassering, og reduserer manuelle feil på grunn av atferdsfaktorer.

Institusjoner kan mer effektivt begrense algoritmer for å innlemme enorme datamengder og utnytte store mengder historiske data til backtest-strategier, og dermed skape mindre risikable investeringer. Dette hjelper brukerne med å identifisere nyttige data for å oppbevare så vel som data med lav verdi å forkaste. Gitt at algoritmer kan opprettes med strukturerte og ustrukturerte data, kan integrering av sanntidsnyheter, sosiale medier og aksjedata i en algoritmisk motor generere bedre beslutninger om handel. I motsetning til beslutningstaking, som kan påvirkes av forskjellige informasjonskilder, menneskelige følelser og skjevheter, utføres algoritmiske handler bare på økonomiske modeller og data.

Robo-rådgivere bruker investeringsalgoritmer og enorme datamengder på en digital plattform. Investeringer er innrammet gjennom Modern Portfolio teori, som typisk støtter langsiktige investeringer for å opprettholde jevn avkastning, og krever minimalt samspill med menneskelige økonomiske rådgivere. (For mer, se: Grunnleggende om algoritmisk handel: konsepter og eksempler .)

utfordringer

Til tross for at finansnæringen øker omfanget av big data, eksisterer det fortsatt betydelige utfordringer i feltet. Det viktigste er at innsamling av forskjellige ustrukturerte data støtter bekymring for personvern. Personlig informasjon kan samles om individets beslutninger gjennom sosiale medier, e-postmeldinger og helsejournaler.

Innenfor finansielle tjenester, faller flertallet av kritikken på dataanalyse. Det store volumet av data krever større raffinement av statistiske teknikker for å oppnå nøyaktige resultater. Spesielt overvurderer kritikere signal til støy som mønstre av falske korrelasjoner, noe som representerer statistisk robuste resultater rent tilfeldig. På samme måte peker algoritmer basert på økonomisk teori typisk på langsiktige investeringsmuligheter på grunn av trender i historiske data. Effektivt å produsere resultater som støtter en kortsiktig investeringsstrategi, er iboende utfordringer i prediktive modeller.

Bunnlinjen

Big data fortsetter å transformere landskapet i forskjellige bransjer, særlig finansielle tjenester. Mange finansinstitusjoner tar i bruk big data-analyse for å opprettholde et konkurransefortrinn. Gjennom struktur og ustrukturerte data kan komplekse algoritmer utføre handler ved hjelp av en rekke datakilder. Menneskelig følelse og skjevhet kan minimeres gjennom automatisering; handel med big data-analyse har imidlertid sitt eget spesifikke sett med utfordringer. De statistiske resultatene som er produsert så langt har ikke blitt fulgt fullt ut på grunn av feltets relative nyhet. I takt med at finansielle tjenester trender mot big data og automatisering, vil sofistikering av statistiske teknikker imidlertid øke nøyaktigheten.